cvpr2014 论文saliency optimization from robust background detection的代码

动态调度的matlab代码物联网应用的移动边缘计算中的动态请求调度优化 这是S. Hu和G. Li发表的题为“面向物联网应用的移动边缘计算中的动态请求调度优化”的论文的非官方MATLAB实现。 您可以在此处找到相同的副本： 介绍 该研究论文和该项目解决了相同的两个主要问题，但是我使用不同的算法解决了它们： 上行链路功率分配问题（PA） 作者的解决方案：基于次梯度的非合作博弈模型（NCGG） 我的实现：惯性加权粒子群优化 联合资源分流与计算资源调度问题（JRORS） 作者的解决方案：多目标优化i-NSGA-II（MO-NSGA） 我的实现：二进制粒子群优化 安装 通过运行以下命令将软件包下载到本地文件夹（例如〜/ MEC /）中： git clone https://github.com/MEC/Dynamic-Request-Scheduling-Optimization-in-Mobile-Edge-Computing-for-IoT-Applications.git 运行Matlab并导航到文件夹（〜/ MEC /），然后运行main.m脚本。 如果希望用我的结果绘制图形，请运行O

This is a book for people interested in solving optimization problems. Because of the wide (and growing) use of optimization in science, engineering, economics, and industry, it is essential for students and practitioners alike to develop an understanding of optimization algorithms.Knowledge of the capabilities and limitations of these algorithms leads to a better understanding of their impact on various applications, and points the way to future research on improving and extending optimization algorithms and software. Our goal in this book is to give a comprehensive description of the most powerful, state-of-the-art, techniques for solving continuous optimization problems. By presenting the motivating ideas for each algorithm, we try to stimulate the reader’s intuition and make the technical details easier to follow. Formal mathematical requirements are kept to a minimum.

利用头脑风暴优化算法求fun.m中函数的最优解，x/y的取值范围为[-5,5]，flag_find_min为1则求函数最小值，flag_find_max则求函数最大值

Boyd著作Convex Optimization配套的PPT。英文书籍阅读难度大，可以参考一下这个，挺不错的

讲线性优化内点法算法的经典参考书，英文版的，读下来绝对有收获

英文版的最优化算法教程，内容简单易于理解，而且提供了很多精彩的算法。

这是关于网络模型与多目标优化遗传算法的电子书，高清，最新版本，经典著作，英文版

异构网络中的联合优化 该存储库包含本文的代码和实验： 联合学习是一种分布式学习范例，它具有两个与传统的分布式优化不同的关键挑战：（1）网络中每个设备的系统特性方面的显着可变性（系统异质性），以及（2）不完全相同的分布式数据跨网络（统计异质性）。 在这项工作中，我们引入一个框架FedProx，从理论上和经验上解决联邦网络中的异构性。 该存储库包含一组针对联合数据集的详细的经验评估。 我们证明FedProx比FedAvg具有更强大的收敛性。 特别是，在高度异构的环境中，FedProx展示了相对于FedAvg而言更加稳定和准确的收敛行为-将绝对测试准确度平均提高了22％。 一般准则 请注意，如果您想使用FedProx作为基准并运行我们的代码： 如果使用不同的数据集，则至少需要根据您的指标调整学习率和mu参数。 您可能希望从{0.001，0.01，0.1，0.5，1}调整mu。 没有适用于所有

风险库 量化战略资产分配，每个人都很容易。 描述 Riskfolio-Lib是一个库，用于使用秘鲁制造的Python进行定量战略资产分配或投资组合优化 :Peru: 。它的目的是帮助学生，学者和从业人员轻松地基于数学上复杂的模型建立投资组合。它基于构建，并与数据结构紧密集成。 Riskfolio-Lib提供的一些关键功能： 具有4个目标函数的平均风险投资组合优化： 最低风险。 最大回报。 最大效用函数。 最大风险调整后回报率。 具有13个凸风险度量的平均风险投资组合优化： 标准偏差。 半标准偏差。 平均绝对偏差（MAD）。 较低的第一部分矩（Ω比） 第二较低的局部矩（Sortino比率） 条件风险价值（CVaR）。 熵值风险（EVaR）。 最坏情况的实现（Minimax模型） 最大跌幅（卡尔马率） 平均亏损 有条件的风险缩水（CDaR）。 熵降风险（EDaR）。 溃疡指数。 带有10个凸风险度量